期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到508篇文章
< 1 2 … 26 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
A Design of Stack Data Cache in IW
1
作者 滕至阳 袁全生 《Journal of Southeast University(English Edition)》 EI CAS 1998年第1期8-11,共4页
A stack data cache is designed according to the features of intelligent workstation(IW) in A1 type intelligent network. Its page fault rate is up to 10 -3 , and the overhead of page replacement is only half of th... A stack data cache is designed according to the features of intelligent workstation(IW) in A1 type intelligent network. Its page fault rate is up to 10 -3 , and the overhead of page replacement is only half of the normal. Stack data cache is suitable for IWs inference engine especially. 展开更多
关键词 stack data cache intelligent workstation
在线阅读 下载PDF
一种兼具精度与可解释性的Stacking-SHAP滑坡易发性预测集成方法 被引量：1
2
作者 黄鑫 叶健 +3 位作者 刘骋冰 曾秋雨 郭万新 郭志凯 《测绘学报》 北大核心 2025年第10期1826-1840,共15页
滑坡易发性预测及诱因分析对于制定科学有效的滑坡灾害防治策略至关重要。然而,当前仍缺乏能够兼具高预测精度与可解释性的滑坡预测模型。为此,本文提出了一种基于可解释性增强的集成学习方法,构建Stacking-SHAP模型,以提升滑坡易发性... 滑坡易发性预测及诱因分析对于制定科学有效的滑坡灾害防治策略至关重要。然而,当前仍缺乏能够兼具高预测精度与可解释性的滑坡预测模型。为此,本文提出了一种基于可解释性增强的集成学习方法,构建Stacking-SHAP模型,以提升滑坡易发性预测的准确性与诱因分析的可靠性。本文方法采用Stacking集成框架,融合XGBoost、CatBoost、LightGBM、逻辑回归(LR)、随机森林(RF)等多种机器学习分类器,在保证预测精度的基础上,引入SHAP(shapley additive explanations)算法,以增强模型的可解释性。试验结果表明,Stacking-SHAP模型的AUC值达到0.920,显著优于单一分类器模型,如XGBoost(0.893)、CatBoost(0.894)、LightGBM(0.879)、RF(0.859)和LR(0.794)。更重要的是,相较于SHAP集成单一机器学习模型,Stacking-SHAP可解释增强集成模型在滑坡诱因分析方面表现出更优的综合性能,提高了滑坡致灾因素分析的可信度。整体而言,本文方法兼具高精度预测与高可靠性解释,为滑坡易发性预测与诱因分析提供了一种创新性方法,在滑坡防治与减灾领域具有重要的理论与应用价值。 展开更多
关键词 滑坡易发性 地理大数据 stacking算法 SHAP算法 滑坡诱因分析
在线阅读 下载PDF
基于Stacking-SHAP的煤自燃倾向性影响因素研究 被引量：2
3
作者 崔忠麒 徐娅煊 苏皓 《煤炭技术》 CAS 2025年第1期150-155,共6页
为对煤自燃倾向性做出准确的预测,挖掘不同煤样属性对煤自燃倾向性的贡献程度,提出基于Stacking-SHAP的煤自燃倾向性预测模型。分别将煤体自身属性及其自燃倾向性综合判定指数作为模型输入和输出。该模型融合支持向量回归(SVR)、极限梯... 为对煤自燃倾向性做出准确的预测,挖掘不同煤样属性对煤自燃倾向性的贡献程度,提出基于Stacking-SHAP的煤自燃倾向性预测模型。分别将煤体自身属性及其自燃倾向性综合判定指数作为模型输入和输出。该模型融合支持向量回归(SVR)、极限梯度提升归回树(XGBoost)、随机森林(RandomForest)、梯度提升决策树(GBDT),并利用网格搜索法对各基础模型参数进行优化,同时结合SHAP算法对不同影响因素的贡献度进行计算。结果显示,优化后的SVR、XGBoost、RF、GBDT和Stacking的判定系数R^(2)分别为0.933、0.887、0.950、0.925、0.984。在煤自燃倾向性影响因素中,重要性程度靠前的特征依次是氧含量、挥发分含量、脂肪烃峰面积值、C/H、羟基峰面积值以及总孔体积共6种特征。模型的建立为煤自燃倾向性预测与煤自燃灾害防治提供了一种新方法。 展开更多
关键词 煤自燃倾向性 stackING SHAP 机器学习 数据挖掘
原文传递
基于改进LLE-Stacking的多来源金融数据的精准营销模型
4
作者 张昕然 吕潇雅 《信息化研究》 2025年第4期144-149,共6页
在金融信息化背景下,多来源数据的有效处理对精准营销十分重要。然而,数据来源多样、密度低、噪声高以及部分数据的真实性存疑,使得数据的有效处理与用户精准分类面临挑战。为此,本文提出一种改进局部线性嵌入-堆叠(LLE-Stacking)模型,... 在金融信息化背景下,多来源数据的有效处理对精准营销十分重要。然而,数据来源多样、密度低、噪声高以及部分数据的真实性存疑,使得数据的有效处理与用户精准分类面临挑战。为此,本文提出一种改进局部线性嵌入-堆叠(LLE-Stacking)模型,通过改进的LLE算法进行降维及提取特征,并利用Stacking框架实现多层模型融合,优化了模型分类性能。实验结果表明,相较于单一的机器学习模型,所提模型显著提高了营销意向用户的分类准确率。 展开更多
关键词 客户营销 局部线性嵌入算法 多来源金融数据 stacking 梯度提升树
在线阅读 下载PDF
基于Stacking集成算法的医院财务数据智能分类研究
5
作者 江雨 《自动化技术与应用》 2025年第12期134-137,共4页
随着数据信息的膨胀式增长,医院财务管理面临巨大挑战。为了识别医院财务数据的异常情况,研究搭建初级分类器为随机森林、支持向量机、极端梯度提升树和K近邻模型,Logistic回归为次级分类器的智能安全管理分类模型。结果表明,集成模型... 随着数据信息的膨胀式增长,医院财务管理面临巨大挑战。为了识别医院财务数据的异常情况,研究搭建初级分类器为随机森林、支持向量机、极端梯度提升树和K近邻模型,Logistic回归为次级分类器的智能安全管理分类模型。结果表明,集成模型的分类器总性能最佳,为94.02%。与极端梯度提升树模型对比,集成模型性能提升了23%。基本收益作为明显特征,更为容易识别出医院财务数据异常。设计的模型具有较高的分类准确性和稳定性,这对于医院财务管理部门具有一定的理论意义和现实价值。 展开更多
关键词 财务数据 异常识别 stacking算法 数据安全 智能分类 逻辑回归 随机森林 支持向量机
在线阅读 下载PDF
基于数据的高校学生学业水平关联智能分析
6
作者 李世鹏 李双儒 赵梓焱 《控制工程》 北大核心 2026年第1期22-29,共8页
学业水平是衡量高校学生综合能力的关键指标。为了精准预测学生综合学业水平,通过数据驱动的关联建模,探究德育和体育课程与学生综合学业水平之间的关系。首先,以学生的德育和体育课程成绩为原始特征,构建了逻辑回归和支持向量机等多种... 学业水平是衡量高校学生综合能力的关键指标。为了精准预测学生综合学业水平,通过数据驱动的关联建模,探究德育和体育课程与学生综合学业水平之间的关系。首先,以学生的德育和体育课程成绩为原始特征,构建了逻辑回归和支持向量机等多种机器学习模型,并引入特征工程构建多重特征,提高了模型的预测性能;然后,基于堆叠模型的框架,实现了多种机器学习模型的深度融合,并通过递归特征消除法优化堆叠模型。实验通过自动化专业学生的成绩数据对所提模型进行验证。实验结果表明,所构建的堆叠模型在学生综合学业水平的预测中取得了较好的准确性和稳定性,其预测准确率能够达到93%,从而验证了德育和体育与学生综合学业水平之间存在明显的正向关联,凸显了在“五育并举”视域下德育和体育对学生综合能力培养的重要性。 展开更多
关键词 五育并举 机器学习 数据驱动建模 堆叠模型 学业水平预测
原文传递
基于组合时域特征提取和Stacking集成学习的燃煤锅炉NO_(x)排放浓度预测 被引量：9
7
作者 唐振浩 隋梦璇 曹生现 《中国电机工程学报》 EI CSCD 北大核心 2024年第16期6551-6564,I0022,共15页
为提高火电厂锅炉出口NO_(x)排放浓度的预测精度,提出一种考虑组合时域特征的Stacking集成学习模型。首先,为挖掘数据深层信息,采用时序分析、完全自适应噪声集合经验模态分解(complete ensemble empirical mode decomposition with ada... 为提高火电厂锅炉出口NO_(x)排放浓度的预测精度,提出一种考虑组合时域特征的Stacking集成学习模型。首先,为挖掘数据深层信息,采用时序分析、完全自适应噪声集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise analysis,CEEMDAN)和统计学计算数据标准差、偏度等特征的方法进行组合时域特征提取以构建重构数据;其次,考虑到重构数据中存在的冗余变量对模型的精度有所影响,利用遗传算法(genetic algorithm,GA)对重构数据进行特征降维;最后,为充分发挥各个模型的优势以提高模型的预测精度,构建以极限学习机(extreme learning machines,ELM)、深度神经网络(deep neural networks,DNN)、多层感知器(multilayer perceptron,MLP)、极限梯度提升算法(extreme gradient boosting,XGBoost)为基模型和以回声状态网络(echo state network,ESN)为元模型的Stacking集成学习NOx排放浓度预测模型。实验结果表明:该预测模型在不同数据集下都有着不错的预测效果,预测误差均小于2%,能够对锅炉NOx排放浓度实现精准预测。 展开更多
关键词 NO_(x)排放浓度 时序特征 时域特征 数据重构 stacking集成学习
原文传递
基于动态Stacked-GBDT算法的数据资源价值评估方法研究 被引量：16
8
作者 沈俊鑫 赵雪杉 《科技管理研究》 CSSCI 北大核心 2023年第1期53-61,共9页
针对现有的数据资源价值评估与定价方法主观性强、定量标准缺乏的问题,提出基于模型堆叠集成GBDT(Stacked-GBDT)算法的数据资源价值评估方法。首先,基于敏感性分析,从数据自身和市场两个维度归纳并建立了数据资源价值评估指标体系;然后... 针对现有的数据资源价值评估与定价方法主观性强、定量标准缺乏的问题,提出基于模型堆叠集成GBDT(Stacked-GBDT)算法的数据资源价值评估方法。首先,基于敏感性分析,从数据自身和市场两个维度归纳并建立了数据资源价值评估指标体系;然后,基于GBDT机器学习算法与Stacking集成学习算法,提出了基于StackedGBDT的数据资源价值评估算法,并与Random Forest和XGBoost算法进行对比以验证所提方法的正确性及有效性;最后,应用Stacked-GBDT模型对数据集进行动态定价。结果表明,Stacked-GBDT算法构建的数据资源价值评估模型可为数据价值测算及动态定价提供精确可靠的依据与支撑。 展开更多
关键词 数据资源 动态stacking 数据价值评估 机器学习 集成学习
在线阅读 下载PDF
基于SAE-LS-CGAN数据增强的语音情感识别
9
作者 魏佳楠 孙颖 张雪英 《太原理工大学学报》 北大核心 2026年第1期202-211,共10页
【目的】语音情感语料库普遍存在数据稀少的问题,而深度神经网络的训练依赖大规模标注数据以保障模型性能。数据增强是缓解该问题的主流技术手段,但是当前语音情感识别领域对数据增强方法的有效性验证研究尚且不足。【方法】在分析多种... 【目的】语音情感语料库普遍存在数据稀少的问题,而深度神经网络的训练依赖大规模标注数据以保障模型性能。数据增强是缓解该问题的主流技术手段,但是当前语音情感识别领域对数据增强方法的有效性验证研究尚且不足。【方法】在分析多种语音数据增强方法的基础上,提出了一种基于改进条件生成对抗模型(Conditional Generative Adversarial Network,CGAN)的新的数据增强模型SAE-LS-CGAN。该模型将语音特征映射为N个矩阵,鉴别器分别对每个矩阵进行评价,提升鉴别精度。与传统的生成对抗网络(Generative Adversarial Network,GAN)相比,该模型引入栈式自编码器(Stacked AutoEncoder,SAE),并将其输出作为改进CGAN的输入,同时结合类别学习器(Class Learning Block,CLB)优化生成样本的质量;进一步引入最小二乘损失函数(The Least Squares Loss Function,LS)对网络进行对抗性训练,在原始特征空间和潜在空间中生成高质量的特征向量,并将生成数据融入到训练数据中用于分类。【结果】实验结果表明,所提模型在Emo-DB和IEMOCAP数据集上的语音情感识别任务中均取得了较优的性能表现。 展开更多
关键词 语音情感识别 数据增强 栈式自编码器 条件生成对抗网络 最小二乘损失函数
在线阅读 下载PDF
基于改进Smote策略的动力电池故障检测
10
作者 蓝南愉 陈学文 +1 位作者 胡立鹏 唐进君 《电池》 北大核心 2026年第1期69-76,共8页
汽车动力电池的故障检测是预防车辆安全问题的关键技术,目前研究面临故障数据分布不均衡和样本稀缺两大问题,导致预测精度和模型泛化能力不足。提出一种融合数据增强与特征重构的Stacking集成诊断框架。首先,基于故障树分析法重构故障... 汽车动力电池的故障检测是预防车辆安全问题的关键技术,目前研究面临故障数据分布不均衡和样本稀缺两大问题,导致预测精度和模型泛化能力不足。提出一种融合数据增强与特征重构的Stacking集成诊断框架。首先,基于故障树分析法重构故障等级体系,采用改进的Border-Smote算法实现样本增强;其次,通过特征工程提取时间、工况与驾驶等特征,构建多维特征空间;最后,基于Bayes超参数调优,构建了以LightGBM、XGBoost和随机森林(RF)为初级学习器、逻辑回归(LR)为元学习器的Stacking集成模型。实验结果表明,融合改进Smote数据增强和特征重构后,集成模型的平均检测准确率提升至97%以上。 展开更多
关键词 动力电池 电池故障检测 数据增强 stacking模型
在线阅读 下载PDF
基于数据挖掘的专业可信回答者个性化推荐——以Stack Overflow问答社区为例 被引量：4
11
作者 刘迎春 朱旭 +1 位作者 谢年春 李佳 《现代教育技术》 CSSCI 北大核心 2019年第5期78-84,共7页
针对问答社区中问题不能得到及时、有效解答的现状,文章以Stack Overflow问答社区为例,首先介绍了问答社区数据的采集与预处理情况;然后,通过挖掘学习者信息,得到专业可信回答者、高信誉回答者和徽章回答者三种潜在回答者;最后,实施了... 针对问答社区中问题不能得到及时、有效解答的现状,文章以Stack Overflow问答社区为例,首先介绍了问答社区数据的采集与预处理情况;然后,通过挖掘学习者信息,得到专业可信回答者、高信誉回答者和徽章回答者三种潜在回答者;最后,实施了三种回答者推荐并对比了推荐性能。实验结果表明,与高信誉回答者推荐和徽章回答者推荐相比,考虑回答质量和专业相关性的专业可信回答者推荐具有更高的准确率和召回率,其推荐性能更优。实施基于数据挖掘的专业可信回答者个性化推荐,能有效缓解问答社区的信息过载问题,有助于建设更高效的网络学习社区环境。 展开更多
关键词 专业可信度 回答者推荐 数据挖掘 stack Overflow问答社区
在线阅读 下载PDF
基于混合采样和Stacking集成的电信用户网别预测 被引量：2
12
作者 卢光跃 闫真光 +1 位作者 吕少卿 吴洋 《西安邮电大学学报》 2019年第4期1-5,共5页
为了准确识别潜在换网电信用户,建立一种电信用户网别更换预测模型。根据用户历史数据生成网别更换标签,确定其多数类和少数类样本。利用具有噪声的密度聚类欠采样方法对多数类样本进行聚类,删除聚类后的噪声样本和各簇的边界样本,并选... 为了准确识别潜在换网电信用户,建立一种电信用户网别更换预测模型。根据用户历史数据生成网别更换标签,确定其多数类和少数类样本。利用具有噪声的密度聚类欠采样方法对多数类样本进行聚类,删除聚类后的噪声样本和各簇的边界样本,并选择各簇核心样本点进行随机欠采样;结合人工合成少数类过采样方法对少数类样本进行过采样。将构成混合采样后的平衡样本集合,输入到两层的Stacking集成学习算法中训练,得出分类结果。实验结果表明,该模型具有较好的数据集均衡性能,且预测准确率高,能够更好地识别潜在的网别更换用户。 展开更多
关键词 网别预测 不平衡数据 DBSCAN 混合采样 stackING
在线阅读 下载PDF
基于Stacking集成学习的热轧带钢凸度诊断模型 被引量：2
13
作者 张殿华 李贺 +3 位作者 武文腾 霍光帆 孙杰 彭文 《中南大学学报（自然科学版）》 EI CAS CSCD 北大核心 2024年第10期3673-3682,共10页
在热连轧生产过程中,凸度是重要的质量指标,过程数据的非平衡性限制了数据驱动模型的预测效果,为提高模型的预测精度,提出一种融合SMOTE和Stacking集成算法的热轧带钢凸度诊断模型。首先,采用SMOTE过采样方法处理凸度相关数据集,降低数... 在热连轧生产过程中,凸度是重要的质量指标,过程数据的非平衡性限制了数据驱动模型的预测效果,为提高模型的预测精度,提出一种融合SMOTE和Stacking集成算法的热轧带钢凸度诊断模型。首先,采用SMOTE过采样方法处理凸度相关数据集,降低数据非平衡分布导致的影响;然后,构建以轻量级梯度提升机(LightGBM)、支持向量机(SVM)、K近邻(KNN)和随机森林(RF)为基学习器,逻辑回归(LR)为元学习器的Stacking集成模型,最后,使用某2160 mm热轧带钢实际生产数据进行模型验证。研究结果表明,诊断模型的准确率、少数类召回率、平衡F分数、几何平均值和ROC曲线下面积分别为0.9580、0.9595、0.9573、0.9589和0.9579,与XGBoost、LightGBM、KNN、SVM和随机森林模型对比,预测效果最优,证明了Stacking集成算法能够有效增强诊断模型的泛化能力,具有优良的诊断性能。 展开更多
关键词 带钢凸度诊断 stacking集成模型 非平衡数据 SMOTE
在线阅读 下载PDF
致密气水平井地震导向技术在金秋气田的应用
14
作者 李源 刘微 +1 位作者 章雄 张德明 《物探与化探》 2026年第1期34-42,共9页
四川盆地金秋气田致密气资源丰富,受多期构造运动影响,侏罗系沙溪庙组正断层分布广,主要目标6号、8号河道砂体纵向叠置、横向相互搭接、厚度变化快、薄泥岩夹层发育、储层非均质性强等因素给水平井导向带来极大挑战。为此,建立了一套致... 四川盆地金秋气田致密气资源丰富,受多期构造运动影响,侏罗系沙溪庙组正断层分布广,主要目标6号、8号河道砂体纵向叠置、横向相互搭接、厚度变化快、薄泥岩夹层发育、储层非均质性强等因素给水平井导向带来极大挑战。为此,建立了一套致密气水平井地震导向技术体系指导随钻跟踪。在高置信地震数据基础上,根据不同地质情况分别针对入靶和水平段建立相应的导向技术。首先,在区域速度基础上,利用导眼井和正钻水平井动态校正速度获得精度更高的时深转换速度,结合地质统计学反演提高分辨率,指导入靶;然后在区域成果基础上,结合已钻导眼井、水平井信息,分别采用处理解释一体化动态各向异性叠前深度偏移、动态地质统计学反演和叠前同时反演,预测地层产状、砂体、含气“甜点”,指导水平段钻进。实钻跟踪结果表明,该技术确保了水平井精准入靶,提高了砂体和含气“甜点”钻遇率,可为致密气高效开发提供技术保障。 展开更多
关键词 致密气 水平井 导向技术 处理解释一体化 叠前地震数据 金秋气田
在线阅读 下载PDF
基于Stacking集成学习的孔隙度预测方法 被引量：3
15
作者 梁海波 马睿 《电子测量与仪器学报》 CSCD 北大核心 2024年第12期202-210,共9页
储层孔隙度的预测准确性决定了评估地下储层的储集空间和储层质量的可靠性。然而,现有孔隙度预测的方法存在模型算法单一、精度不高和泛化性差等问题。为了提高孔隙度预测的精度,提出了一种基于Optuna优化的Stacking集成学习方法。首先... 储层孔隙度的预测准确性决定了评估地下储层的储集空间和储层质量的可靠性。然而,现有孔隙度预测的方法存在模型算法单一、精度不高和泛化性差等问题。为了提高孔隙度预测的精度,提出了一种基于Optuna优化的Stacking集成学习方法。首先,采用灰色关联度选取声波时差、井深、岩石密度、井斜角和光电截面吸收指数作为输入参数。然后,对输入数据进行归一化处理,并通过Optuna优化模型参数。根据均方根误差、平均绝对误差和定系数选取随机森林(RF)、支持向量回归(SVM)和k-近邻算法(KNN)作为Stacking的基学习器,以及弹性网络回归(ENet)作为Stacking元学习器。各主流模型预测结果与Stacking模型比较发现:RF在处理非线性数据时表现优异,但预测结果不稳定,Stacking模型相较RF降低了约10%的均方根误差。SVM具备较强的泛化能力,但参数调优复杂,Stacking模型相较SVM降低了约39%的均方根误差。KNN对异常值不敏感,但对高维数据效果较差,Stacking模型相比KNN降低了约21%的误差。Xgboost能够较好地避免过拟合,但对异常值敏感而且参数调优复杂,Stacking模型相比Xgboost降低了约30%的误差。最终结果表明,基于Optuna优化的Stacking模型显著提高了孔隙度预测的准确性,为反应储层油气储存能力提供重要参考。 展开更多
关键词 孔隙度 预测 Optuna优化 stackING 集成学习 测井数据
原文传递
老挝他曲钾盐矿床测井岩性的机器学习识别与模型对比
16
作者 丁剑 封志兵 +2 位作者 袁兴民 王春连 江丽 《矿床地质》 北大核心 2026年第1期121-140,共20页
精准识别地层岩性是钾盐矿层位厘定与资源量估算的重要地质依据。文章以老挝他曲钾盐矿区为研究对象,基于区内3口钻井的钾盐测井数据,划分训练集与验证集,并预留四口井作为盲井进行模型验证。采用超参数搜索策略优化模型,对比了随机森林... 精准识别地层岩性是钾盐矿层位厘定与资源量估算的重要地质依据。文章以老挝他曲钾盐矿区为研究对象,基于区内3口钻井的钾盐测井数据,划分训练集与验证集,并预留四口井作为盲井进行模型验证。采用超参数搜索策略优化模型,对比了随机森林、GBDT、XGBoost、CatBoost、SMOTE-CatBoost及Stacking集成算法在岩性识别中的应用效果,其中SMOTE技术用于改善样本不均衡问题。结果表明,Stacking集成模型泛化能力最优,其外部测试宏平均F1分数达81.35%,井间平均准确率为96.38%;SMOTE-CatBoost模型次之;GBDT模型效果最差,宏平均F1分数仅为70.12%,平均准确率为93.25%。Stacking集成模型通过融合随机森林、XGBoost和CatBoost等多类具有差异学习偏差的基模型,显著提升了蒸发岩系中薄互层岩性的综合识别能力,为深部钾盐矿勘探提供了有效技术支撑。 展开更多
关键词 钾盐 测井数据 机器学习 岩性识别 集成学习 SMOTE stacking模型
在线阅读 下载PDF
基于Stacking多算法融合模型的数据资源定价方法训练流程如下 被引量：12
17
作者 沈俊鑫 赵雪杉 《情报理论与实践》 CSSCI 北大核心 2023年第1期179-186,共8页
[目的/意义]针对现有数据资源定价标准模糊、交易规则缺失、买卖双方信息不对称的问题,提出基于Stacking多算法融合模型的数据资源定价方法。[方法/过程]首先,基于四分位法及Box-Cox方法对样本数据进行预处理,剔除异常数据的同时调整数... [目的/意义]针对现有数据资源定价标准模糊、交易规则缺失、买卖双方信息不对称的问题,提出基于Stacking多算法融合模型的数据资源定价方法。[方法/过程]首先,基于四分位法及Box-Cox方法对样本数据进行预处理,剔除异常数据的同时调整数据分布,并基于Lasso算法以均方根误差最小为目标完成特征筛选;其次,基于Pearson系数选取最优算法组合,构建基于Stacking集成学习融合多种机器学习算法的数据资源价格预测模型;最后,以国信优易数据平台交易数据为样本进行算例分析。[结果/结论]相较于单算法模型及其他集成算法模型,XGBoost、SVR、KNN、MLP融合模型的预测精度及性能均明显提升;实现了数据资源自身和市场的双向反馈平衡,形成闭环的价值链,为数据资源定价提供参考。 展开更多
关键词 数据资源 价格预测 集成学习 多算法融合 stacking算法
原文传递
基于SSAE-SVDD联合判别的机床主轴健康状态监测
18
作者 张一驰 谈宏志 +2 位作者 乔石 王兆 刘阔 《组合机床与自动化加工技术》 北大核心 2026年第2期189-194,共6页
数控机床电主轴渐进性退化过程中故障特征演变缓慢,早期故障阶段振动信号特征微弱难以辨识,同时特征工程阶段人工特征提取存在主观性强、信息损失等问题,导致健康状态判别精度受限。针对上述问题,提出基于堆叠稀疏自编码器(SSAE)与支持... 数控机床电主轴渐进性退化过程中故障特征演变缓慢,早期故障阶段振动信号特征微弱难以辨识,同时特征工程阶段人工特征提取存在主观性强、信息损失等问题,导致健康状态判别精度受限。针对上述问题,提出基于堆叠稀疏自编码器(SSAE)与支持向量数据描述(SVDD)联合判别的数控机床主轴健康状态监测方法。技术实现路径包括:通过采集主轴箱三向振动信号构建多维监测数据集;经标准化和降噪预处理后,采用SSAE进行无监督深度特征提取,并基于重构数据均方根误差进行阈值判别;继而通过SVDD算法建立高维特征的决策边界,实现健康状态的智能判别。实验验证表明,该方法在初期故障检测中达到96.9%的准确率。 展开更多
关键词 机床主轴 健康状态监测 堆叠稀疏自编码器 支持向量描述
在线阅读 下载PDF
基于Attention-SLSTM的虚假数据注入攻击检测
19
作者 王茹 周先军 张炎 《湖北工业大学学报》 2026年第1期43-49,共7页
针对影响智能电网安全运行问题,提出了一种基于注意力机制的堆叠LSTM网络FDIA检测方法。堆叠LSTM能够通过网络深度增加提取更深层次的特征,而加入注意力机制能够更好的表示模型不同特征层级间的结构关系,增加隐藏层的非线性表达能力,使... 针对影响智能电网安全运行问题,提出了一种基于注意力机制的堆叠LSTM网络FDIA检测方法。堆叠LSTM能够通过网络深度增加提取更深层次的特征,而加入注意力机制能够更好的表示模型不同特征层级间的结构关系,增加隐藏层的非线性表达能力,使所提出的模型预测精度更高,从而获得更高的FDIA判断准确率。在IEEE14节点系统环境下进行验证,实验结果表明,合适层数的Attention-SLSTM网络可以获得更高的精确度。与其他几种方法相比,该方法能够取得更好的训练效果,获得更高的FDIA检测准确率。 展开更多
关键词 智能电网 虚假数据注入攻击 不良数据检测 堆叠LSTM网络 注意力机制
在线阅读 下载PDF
基于Stacking融合框架的随钻方位伽马预测
20
作者 李娜 沈楠 段友祥 《计算机与数字工程》 2023年第3期589-594,共6页
由于实时随钻传输速率等问题的影响,方位伽马信息不足,增加了后续地层分析的工作的难度。针对上述问题,提出了一种新的预测方法:通过Stacking融合模型框架建立一种随钻方位伽马预测模型,该模型以随机森林、消去树、支持向量机、K近邻、... 由于实时随钻传输速率等问题的影响,方位伽马信息不足,增加了后续地层分析的工作的难度。针对上述问题,提出了一种新的预测方法:通过Stacking融合模型框架建立一种随钻方位伽马预测模型,该模型以随机森林、消去树、支持向量机、K近邻、长短期记忆网络为基学习器,以GBDT为元学习器,对随钻方位伽马数据进行预测。实验表明,该方法预测效果优于样条插值及单一学习器,能够有效提升方位伽马数据预测的精度,在实际生产中有良好的应用。 展开更多
关键词 随钻测井 机器学习 stackING 集成学习 数据预测
在线阅读 下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 2 … 26 下一页 到第 页
使用帮助 返回顶部